测试时扩展相关 AI 资讯

8月11日

12:47

官方账号arXiv cs.LG@Lecheng Kong, Like Hui, Haitao Mao, Jun Huan

论文指出基于置信度的无验证器测试时扩展（VF-TTS）方法在复杂任务上会崩溃，因为高置信度常表示探索失败。作者提出Consilience框架，通过评估推理中置信度的时间不对称性，惩罚初始高置信度并要求最终确定性。在研究生级数学问题和自由形式代码生成实验中，Consilience优于现有基线。

论文 Consilience 测试时扩展推理模型

推荐理由：如果你做推理模型，这个框架能解决置信度评分在复杂任务上失效的问题，用时间不对称性挑出真正靠谱的答案。

原文

11:01

官方账号arXiv cs.LG@Aaron Haag, Altay Kaçan, Bertram Fuchs, Oliver Lohse

本文提出一种无需验证器的3D CAD生成测试时扩展方法，称为共识选择。该方法从候选池中采样N个参数化CAD程序，编译为3D模型后，选择与池中其余候选最一致的那个。几何共识在三个几何指标上优于现有方法的验证器，拓扑共识在拓扑指标上与之持平。在多种LLM和提示变体下，几何共识比随机选择降低1-10%的Chamfer距离。

论文 CAD生成共识选择测试时扩展

推荐理由：不用额外验证器，靠候选池内部共识就能挑出好CAD模型，几何指标还更准，省事又有效。

原文

8月10日

11:07

官方账号arXiv cs.AI@Yan Zhou, Yue Ouyang, Kaiyang Zheng, Suncheng Xiang

CoBa是一种计算平衡路由策略，将测试时推理视为算力分配问题，决定下一步算力用于生成、验证还是停止。在涵盖MATH-500、AIME 2024/2025、AMC 2023及程序符号推理的3,129项评估中，CoBa-Routed-Strong达到85.13%的宏平均准确率，仅比自评估加权投票代理低0.07个百分点，却节省49.1%的参数加权token。与最佳16选多数投票相比，准确率差距在0.01个百分点以内，同时减少58.9%的参数加权token。配对bootstrap检验表明其显著优于单样本解码，但距池化oracle仍有提升空间。

论文 CoBa 测试时扩展 MATH-500

推荐理由：算力有限时该先验证还是再生成？CoBa用路由策略帮你分配，省近一半token，准确率不掉。

原文

8月4日

12:06

官方账号arXiv cs.LG@Zhaoxin Yu, Qi Shen, Hengli Li, Zhaowei Zhang, Song-Chun Zhu, Chi Zhang, Zilong Zheng

GradCuit在Transformer层间插入可优化潜在状态，使奖励加权梯度直接分配给潜在变量。在五个指令微调基座、三个推理基准和两种答案格式上，GradCuit平均准确率64.5%，比思维链提示高6.6个百分点，比最强对比方法高2.4个百分点。在七个学习率设置下，GradCuit准确率标准差从1.53降至0.82，其随机游走变体仍与LatentSeek相当。层分析显示早中期Transformer层是最有效的优化空间。

论文 GradCuit arXiv 推理模型

推荐理由：想让LLM更会推理？GradCuit不用改参数，直接优化内部状态，准确率比CoT高6.6个点，而且还更稳定，值得试试。

原文

7月21日

09:30

官方账号arXiv cs.AI@Cheng Yan, Guangyang Ye, Wuyang Zhang, Fan Xu, Zhijun Fan, Xiang Xia, Yanyong Zhang

PUMA提出相位-动量对齐假设与认知能量模型，以诊断大推理模型（LRM）在测试时缩放中的过度思考问题。与易受欺骗性收敛的信息论方法不同，PUMA通过轻量级相位监测和事件触发几何分析，实时区分主动探索与被动停滞。在1.5B至32B参数的LRM上，PUMA在多个基准上实现了更优的准确率-效率权衡，优于现有基线方法。作为训练无关框架，PUMA无需额外训练即可自适应截断或矫正推理过程。

AI模型 PUMA 大推理模型测试时扩展

推荐理由：这篇论文的PUMA框架能实时诊断大模型推理时是有效思考还是绕圈子，在1.5B到32B模型上准确率更高且更省计算，推荐给关心推理效率的朋友。

原文

7月13日

09:17

官方账号arXiv cs.LG@Spiros Baxevanakis, Peng-Jian Yang

研究测试时扩展(TTS)是否适用于小规模开源视觉语言模型，使用EXAMS-V多语言视觉多项选择基准。实验对比self-consistency、describe-then-reason结合PRM引导束搜索等方法，基于Qwen2.5-VL-7B-Instruct和Qwen3.5-4B。关键因素是链的可解析性：提示格式导致链正确但不输出答案，加入答案提示和修复步骤后改善。每链token上限从1k升至2k恢复3.7个百分点，但增加链数从8到16仅提升0.15个百分点。PRM束搜索落后普通self-consistency 0.39个百分点且成本高8倍，最佳配置在ImageCLEF 2026测试集达84.1%并排名第一。

论文 Qwen2.5-VL-7B-Instruct Qwen3.5-4B EXAMS-V

推荐理由：这篇论文告诉你，在小模型上用测试时扩展，关键是让模型把答案写出来，而不是复杂搜索。Qwen2.5-VL调参后性价比很高。

原文

6月25日

10:45

官方账号arXiv cs.LG@Changdae Oh, Wendi Li, Seongheon Park, Samuel Yeh, Tanwi Mallick, Sharon Li

本文提出进度优势（Progress Advantage），通过计算RL后训练策略与参考策略的对数概率比，隐式获得智能体步骤级评分，无需额外训练奖励模型。该方法在五个基准（包括MATH、HotpotQA等）和四个模型家族（Llama-2、Mistral等）上验证，在测试时扩展、不确定性量化、失败归因三项任务中均优于基于置信度的基线。尽管无需任务特定训练，它仍超越专用奖励模型。论文还分析了进度优势的特征，为实际智能体系统提供使用指导。

AI模型 Progress Advantage RL后训练智能体

推荐理由：这篇论文说，RL后训练时顺便就能得到一个免费的好信号，不用再费劲训练奖励模型，在好几个测试里都比专门训练的效果还好。做智能体训练的一定得看看。

原文

6月12日

13:47

官方账号arXiv cs.LG@Jiacheng Chen, Xinyu Zhang, Shunkai Zhang, Yanmohan Wang, Lin Li, Tiancheng Qin, Qin Wang, Zhengmao Zhu, Tianle Li, Jingyang Li, Zehan Li, Binyang Jiang, Jin Zhu, Han Ding, Fei Yu, Chenyu Du, Zijian Song, Jiayuan Song, Zhi Zhang, Yunan Huang, Weiyu Cheng, Pengyu Zhao, Yu Cheng

73°

MaxProof 是一个面向竞赛级数学证明的群体级测试时扩展框架，由 MiniMax-M3 系列模型实现。M3 模型通过深度防御生成式验证器训练了证明生成、验证和基于批评的修复三种能力，并整合为单一模型。在测试时，MaxProof 将模型作为生成器、验证器、优化器和排序器，对候选证明群体进行搜索，并通过锦标赛选择输出最终证明。在 IMO 2025 和 USAMO 2026 上，M3 模型分别达到 35/42 和 36/42，超过了人类金牌阈值。

论文数学证明强化学习验证器

事件专题

推荐理由：数学证明是 AI 推理的硬核测试，MaxProof 用群体搜索和验证器强化学习突破了竞赛级证明的瓶颈，做数学 AI 或推理系统的研究者值得关注其方法。

原文

6月4日

10:58